論文の概要: Probabilistic Black-Box Checking via Active MDP Learning

• arxiv url: http://arxiv.org/abs/2308.07930v1
• Date: Sat, 15 Jul 2023 09:24:15 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-20 16:18:16.085531
• Title: Probabilistic Black-Box Checking via Active MDP Learning
• Title（参考訳）: アクティブMDP学習による確率的ブラックボックスチェック
• Authors: Junya Shijubo, Masaki Waga, Kohei Suenaga
• Abstract要約: 組込みシステムで頻繁に発生するブラックボックスシステムをテストする新しい手法を提案する。 我々の手法は、行動に対処するために確立されたブラックボックスチェック(BBC)技術を強化する。 実験結果から,ProbBBCは既存の手法,特に観測が限られているシステムにおいて,性能が優れていることが示唆された。
• 参考スコア（独自算出の注目度）: 0.6215404942415159
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce a novel methodology for testing stochastic black-box systems, frequently encountered in embedded systems. Our approach enhances the established black-box checking (BBC) technique to address stochastic behavior. Traditional BBC primarily involves iteratively identifying an input that breaches the system's specifications by executing the following three phases: the learning phase to construct an automaton approximating the black box's behavior, the synthesis phase to identify a candidate counterexample from the learned automaton, and the validation phase to validate the obtained candidate counterexample and the learned automaton against the original black-box system. Our method, ProbBBC, refines the conventional BBC approach by (1) employing an active Markov Decision Process (MDP) learning method during the learning phase, (2) incorporating probabilistic model checking in the synthesis phase, and (3) applying statistical hypothesis testing in the validation phase. ProbBBC uniquely integrates these techniques rather than merely substituting each method in the traditional BBC; for instance, the statistical hypothesis testing and the MDP learning procedure exchange information regarding the black-box system's observation with one another. The experiment results suggest that ProbBBC outperforms an existing method, especially for systems with limited observation.
• Abstract（参考訳）: 本稿では,組込みシステムで頻繁に発生する確率的ブラックボックスシステムをテストする新しい手法を提案する。 我々の手法は確率的行動に対処するために確立されたブラックボックスチェック(BBC)技術を強化する。 従来のbbcでは、ブラックボックスの動作を近似するオートマトンを構築するための学習フェーズ、学習されたオートマトンからカウンターサンプルを識別する合成フェーズ、得られた候補のカウンターサンプルと学習したオートマトンを元のブラックボックスシステムに対して検証する検証フェーズという3つのフェーズを実行することで、システムの仕様を破る入力を反復的に識別する。 提案手法であるprobbbcは,(1)学習段階でアクティブマルコフ決定過程(mdp)学習法,(2)合成段階における確率的モデルチェック,(3)検証段階における統計的仮説検証を用いて,従来のbbcアプローチを洗練する。 例えば、統計的仮説検定とmdp学習手順は、ブラックボックスシステムの観測に関する情報を相互に交換する。 実験の結果、probbbcは既存の手法、特に観測が限られているシステムよりも優れていることが示唆された。

関連論文リスト

• Pretraining Data Detection for Large Language Models: A Divergence-based Calibration Method [108.56493934296687]
  本研究では,乱数から発散する概念に触発された偏差に基づくキャリブレーション手法を導入し,プリトレーニングデータ検出のためのトークン確率のキャリブレーションを行う。 我々は,中国語テキスト上でのLLMの検出手法の性能を評価するために,中国語のベンチマークであるPatentMIAを開発した。
  論文  参考訳（メタデータ） (2024-09-23T07:55:35Z)
• Diffusion-Based Failure Sampling for Cyber-Physical Systems [33.25641206808538]
  本稿では,ロボットタスク計画のような複雑な高次元問題に成功している条件付き認知拡散モデルを提案する。 提案手法は高次元ロボット検証作業における有効性を示し,既存のブラックボックス技術と比較して試料効率とモードカバレッジを改善した。
  論文  参考訳（メタデータ） (2024-06-20T22:22:28Z)
• Automatic Debiased Learning from Positive, Unlabeled, and Exposure Data [11.217084610985674]
  本稿では,正・未ラベルデータ(PU分類)からの二項分類の問題に,正のデータの選択バイアスを伴って対処する。 このシナリオは、レコメンダシステムのような多くの実用的なアプリケーションのための概念的なフレームワークを表している。 本稿では,強い無知性仮定を用いて関心の関数を同定し,ADPUE(Automatic Debiased PUE)学習法を開発する手法を提案する。
  論文  参考訳（メタデータ） (2023-03-08T18:45:22Z)
• A Semi-Bayesian Nonparametric Estimator of the Maximum Mean Discrepancy Measure: Applications in Goodness-of-Fit Testing and Generative Adversarial Networks [3.623570119514559]
  そこで我々は,GoF(Goness-of-fit)テストのための半ベイズ非パラメトリック(セミBNP)手順を提案する。 提案手法は,最大平均誤差(MMD)測定のための新しいベイズ推定器を提案する。 提案手法は, 誤り仮説の誤認率と受理率を低くすることで, 頻繁なMDD法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-03-05T10:36:21Z)
• Black-Box Batch Active Learning for Regression [1.52292571922932]
  バッチアクティブな学習は、非ラベルデータセット上で機械学習モデルを効率的にトレーニングするための一般的なアプローチである。 ホワイトボックスアプローチの拡張として,回帰タスクのためのブラックボックスバッチアクティブラーニングを提案する。
  論文  参考訳（メタデータ） (2023-02-17T16:35:47Z)
• Query Efficient Cross-Dataset Transferable Black-Box Attack on Action Recognition [99.29804193431823]
  ブラックボックスの敵攻撃は、行動認識システムに現実的な脅威をもたらす。 本稿では,摂動を発生させることにより,これらの欠点に対処する新たな行動認識攻撃を提案する。 提案手法は,最先端のクエリベースおよび転送ベース攻撃と比較して,8%,12%の偽装率を達成する。
  論文  参考訳（メタデータ） (2022-11-23T17:47:49Z)
• Query-Efficient Black-box Adversarial Attacks Guided by a Transfer-based Prior [50.393092185611536]
  対象モデルの勾配にアクセスできることなく、敵が敵の例を作らなければならないブラックボックスの敵設定を考える。 従来の手法では、代用ホワイトボックスモデルの転送勾配を用いたり、モデルクエリのフィードバックに基づいて真の勾配を近似しようとした。 偏りサンプリングと勾配平均化に基づく2つの事前誘導型ランダム勾配フリー(PRGF)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-03-13T04:06:27Z)
• Engineering the Neural Automatic Passenger Counter [0.0]
  我々は、信頼性、性能、そして品質のカウントを向上させるために、機械学習の様々な側面を探求し、活用する。 アンサンブル量子化のようなアグリゲーション技術がバイアスを減少させる方法を示し、その結果の全体的拡散について考察する。
  論文  参考訳（メタデータ） (2022-03-02T14:56:11Z)
• Predictive machine learning for prescriptive applications: a coupled training-validating approach [77.34726150561087]
  規範的応用のための予測機械学習モデルをトレーニングするための新しい手法を提案する。 このアプローチは、標準的なトレーニング検証テストスキームの検証ステップを微調整することに基づいている。 合成データを用いたいくつかの実験は、決定論的モデルと実モデルの両方において処方料コストを削減できる有望な結果を示した。
  論文  参考訳（メタデータ） (2021-10-22T15:03:20Z)
• Learn then Test: Calibrating Predictive Algorithms to Achieve Risk Control [67.52000805944924]
  Learn then Test (LTT)は、機械学習モデルを校正するフレームワークである。 私たちの主な洞察は、リスクコントロール問題を複数の仮説テストとして再設計することです。 我々は、コンピュータビジョンの詳細な実例を用いて、コア機械学習タスクの新しいキャリブレーション手法を提供するために、我々のフレームワークを使用します。
  論文  参考訳（メタデータ） (2021-10-03T17:42:03Z)
• CSI: Novelty Detection via Contrastive Learning on Distributionally Shifted Instances [77.28192419848901]
  コントラストシフトインスタンス (CSI) という,単純かつ効果的な手法を提案する。 従来のコントラスト学習法のように,サンプルを他の例と対比することに加えて,本トレーニング手法では,サンプルを分散シフトによる拡張と対比する。 本実験は, 種々の新規検出シナリオにおける本手法の優位性を実証する。
  論文  参考訳（メタデータ） (2020-07-16T08:32:56Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。